基于运动轨迹的监控场景分析模型

所提出的模型通过层次分类聚类过程学习运动轨迹信息结构。用拓扑先验分类轨迹的相似性运动空间,然后结合混合模型拟合各运动特征的统计分布,得到潜在运动规则;最后基于规则模型检测监控场景中的异常运动行为。轨迹多维运动线索的统计模型对噪声具有较强的鲁棒性,同时利用先验分类使运动规则具有较明显的语义结构。实验结果验证了模型的有效性。     

基于轨迹分段LDA主题模型的视频异常行为检测方法

基于目标轨迹的异常行为检测算法忽略了轨迹内部信息,容易导致异常检测虚警率偏高。为解决该问题,提出一种基于轨迹分段主题模型的视频异常行为检测方法。首先将目标原始轨迹根据轨迹转角分段,然后采用分段量化的方式提取轨迹片段中包含的行为特征信息,接着通过潜在狄利克雷分配(LDA)主题模型建模发掘目标轨迹之间的时空关系,最后通过学习所构建的模型并结合贝叶斯理论进行行为模式分析和异常行为检测。分别对两个视频场景进行了目标行为模式分析和异常行为检测的仿真实验,检测出了场景内多种异常行为模式。实验结果表明,通过结合轨迹分段与LDA主题模型,该算法能够充分挖掘目标轨迹内部的行为特征信息,识别多种异常行为模式,并且能提高对异常行为检测的准确率。     

基于三维模型的行人徘徊行为检测算法

针对不同应用场景给出了不同的徘徊定义,并提出一种基于三维模型的行人徘徊行为检测算法。该方法利用融合前景检测和行人检测的方法获取目标,并利用摄像机标定信息和图像信息建立目标的三维模型。针对传统算法无法获取目标真实轨迹的问题,利用三维模型对分块目标跟踪方法进行改进,以提取目标的真实运动轨迹。根据不同的应用场景对目标轨迹进行分析,判断目标是否有徘徊行为。实验结果表明,该方法能够获得较为准确的目标三维模型,得到目标的真实运动轨迹,从而鲁棒地、快速地检测目标的徘徊行为。     

基于高速公路场景的车辆目标跟踪

车辆目标检测与跟踪是高速公路视频监控系统实时监控获取交通参数的关键步骤.本文提出了一种面向高速公路场景的目标轨迹时序信息结合核相关滤波KCF算法的车辆目标跟踪方法,实现了车辆目标的高精度持续跟踪.该方法首先采用基于深度学习的单目标检测SSD算法,通过建立车辆数据集,实现了适用于高速公路场景的车辆目标的分类与检测.然后,基于目标轨迹时序信息实现目标车辆与轨迹的匹配,并且采用KCF跟踪算法对丢失目标进行预测重定位,从而实现车辆目标轨迹的持续跟踪.实验表明,该跟踪方法精度高,且适应多种不同场景,具有较高的应用价值.     

运动目标三维轨迹可视化与关联分析方法

随着治安监控系统的普及,越来越多的监控摄像头被安装在各个交通道路和公共场所中,每天都产生大量的监控视频.如今,监控视频分析工作主要是采用人工观看的方式来排查异常,以这种方式来分析视频内容耗费大量的人力和时间.目前,关于视频分析方面的研究大多是针对目标个体的异常行为检测和追踪,缺乏针对对象之间的关联关系的分析,对视频中的一些对象和场景之间的关联关系等还没有较为有效的表示和分析方法.针对这一现状,提出一种基于运动目标三维轨迹的关联视频可视分析方法来辅助人工分析视频,首先对视频资料进行预处理,获取各个目标对象的运动轨迹信息,由于二维轨迹难以处理轨迹的自相交、循环运动和停留等现象,并且没有时间信息就难以对同一空间内多个对象轨迹进行的关联性分析,于是结合时间维度对轨迹进行三维化扩展.该方法支持草图交互方式来操作,在分析过程中进行添加草图注释来辅助分析.可结合场景和对象的时空关系对轨迹进行关联性计算,得出对象及场景之间的关联模型,通过对对象在各个场景出现状况的统计,结合人工预先设定的规则,可实现对异常行为报警,辅助用户决策.     

基于AdaBoost和帧间特征的人数统计

视频监控中出入口人数统计的难点在于人流密集时对每个人体的准确分割。通过学习的方法得到人头检测的分类器,并在垂直拍摄图像中提取人头候选区域,以分离相互靠近的人体目标,进而根据人头的运动特征剔除静止误检区域,根据误检目标检测频率低及其响应位置不连续的特征剔除动态误检区域。最后提出一种简易可行的过线跟踪方案以完成计数。实验中对各种复杂情况的过线视频进行测试,正确率能够达到95%以上。与传统方法相比,本文方法解决了多人过线或搬货物过线时传统方法难以准确完成的行人分割和计数,更适于实际情况的人数统计。     

视频目标轨迹分析的改进PrefixSpan方法

从序列模式挖掘的角度对视频目标运动轨迹的分析和应用问题进行了研究,提出了一种基于改进 PrefixSpan的频繁轨迹模式挖掘算法,并给出了基于所挖掘的频繁模式进行在线目标运动异常检测的方法。该方法对目标的运动轨迹进行量化编码,采用改进的PrefixSpan算法挖掘其中连续出现的频繁模式,通过字符串近似匹配的方法来检测当前运动轨迹所表示的目标行为是否异常。由于不需要计算两两轨迹之间的相似性,该方法可以应用于规模较大、分布模式数目难以确定场合下的视频目标轨迹分析问题。对仿真和真实场景的实验验证了该方法的有效性。     

基于骨架序列提取的异常行为识别

视频监控系统中的人员异常行为识别研究具有重要意义. 针对传统算法检测实时性和准确性差, 易受环境影响的问题, 提出一种基于骨架序列提取的异常行为识别算法. 首先, 改进YOLOv3网络用以对目标进行检测、结合RT-MDNet算法进行跟踪, 得到目标的运动轨迹; 然后, 利用OpenPose模型提取轨迹中目标的骨架序列; 最后通过时空图卷积网络结合聚类对目标进行异常行为识别. 实验结果表明, 在存在光照变化的复杂环境下, 算法识别准确率达94%, 处理速度达18.25 fps, 能够实时、准确地识别多种目标的异常行为.     

基于热点区域定义的人数统计方法研究

行人统计在智能监控领域中具有重要意义,但复杂背景环境以及行人运动过程中出现的遮挡现象导致当前方法的准确率并不高。此外,传统过线统计人数的方式的实际适用范围有限。考虑到现有方法的不足,提出了一种基于热点区域定义的人数统计方法。首先,利用自适应学习率背景建模提取运动目标前景,得到前景区域的位置和大小,扫描计算运动目标前景范围内的HOG特征,并判别是否存在头肩目标;然后,利用基于KCF的目标匹配算法跟踪头肩目标;最后,结合目标运动轨迹与提出的区域人数统计算法进行行人人数统计。采用 24fps的手机拍摄 的长度为10min、分辨率为960×720像素 的视频做人数统计实验。实验结果表明,所提算法在统计人数时正确率可达到93.1%,能满足实时性要求。该方法结合了检测效率和准确率,在背景环境复杂的场景下具有良好的效果,能适应各类人数统计的实际应用场景。     

基于YOLOv3的大学生上课时间观念的研究

本文基于教室监控视频数据对大学生上课时间观念进行研究,采用"检测-跟踪-计数"框架对不同时间段学生到课人数进行统计分析。目标检测阶段是以YOLOv3网络作为目标检测的基础模型,通过构建教室出入学生样本库,训练出更适合检测教室行人的网络模型;目标跟踪阶段使用的是DSST算法进行目标跟踪,结合帧间质心匹配算法进行人数统计。最后,对各个时间点进出教室人数进行分析研究,实验结果表明了方法的有效性。     

基于多目标跟踪的交通异常事件检测

针对传统异常行为自动检测方法的准确率和稳定性无法满足多变视频检测需求的问题,将最新的目标检测网络YOLOv3与目标跟踪算法相结合,通过对基于SORT多目标跟踪框架的改进,对检测目标的级联匹配采用了融合运动与外观特征的指标,以适应实际高架桥梁道路监控的情况.然后利用改进的多目标跟踪算法,对城市高架道路监控视频中的目标进行跟踪,配合相应的轨迹判别规则实现对视频中出现的行人、停车和车辆变道的交通行为异常情况的自动判别,具有较高的判别精度,可以达到实际应用目的.     

交通路口视频奇异运动事件检测

提出了一种基于运动特征的交通路口视频奇异事件的检测的方法。该方法针对具体应用背景,不需要进行单个目标的跟踪和检测,而是直接运动运动特征进行检测。方法首先提取运动像素,并通过运动像素集合和运动矢量的大小判断运动目标种类（车辆或行人）。然后,在此基础上进一步分析目标的运动轨迹,将新出现的和已经有运动轨迹明显不一致的运动,和明显不符合交通规则的运动（如车辆的逆行）判定为异常运动。该方法在一定样本基础上进行了实验,实验结果表明,该方法可以较好地检测交通路口的奇异性运动事件。     

城市轨道交通智能视频分析关键技术综述

轨道交通是改善城市公共交通状况的有效途径。随着城市轨道交通的快速建设,人们对城市轨道交通的安全问题越来越重视。智能视频分析技术通过对监控视频流的实时分析,对场景中的各种目标进行检测、分类、跟踪,并分析和判断目标的行为,从而能在异常情况发生时可以及时报警、主动防范,提高处理突发事件的效率。主要研究了智能视频分析技术在轨道交通智能视频监控系统中的应用背景及技术框架,总结了智能视频分析中的关键技术的不同实现方法及其常见的算法。     

基于情景记忆的运动小目标行人检测神经网络

从视觉场景中可靠地检测小目标行人对象是构建未来人工智能视觉系统的重要基础。由于运动小目标的视感尺寸小且纹理特征模糊,导致现有的传统行人目标检测方法难以应对。针对该问题,基于蝗虫视觉系统的神经结构特性,借助人类大脑内侧颞叶（MTL）情景记忆认知机理,提出一种适用于运动小目标行人检测的人工视觉神经网络（STPDNN）模型。所提出的神经网络包括两部分：突触前和突触后子网络。其中,突触前网络模拟蝗虫视觉系统加工处理视觉信号的神经机理,获得表征目标对象低阶特征的视觉运动线索;突触后网络从低阶视觉信号中提取出行人目标的情景记忆高阶信息,以实现对运动目标的偏好性响应。系统性的实验结果表明,提出的STPDNN可有效检测视觉场景中的运动小目标行人对象。该研究工作涉及生物视神经机理启发的行人目标动态视觉信息加工处理,可为智能视频监控中的行人检测识别与运动行为分析提供新思想、新方法。     

联合加权重构轨迹与直方图熵的异常行为检测

为解决多目标打斗、抢劫等异常行为检测精度不高的问题,提出一种联合加权重构轨迹与直方图熵的异常行为检测算法。首先,采用背景相减法结合宽高比提取行人目标;然后将卡尔曼滤波器及HOG特征融入时空上下文算法中,实现短时间内被完全遮挡行人的鲁棒跟踪;最后对跟踪轨迹进行训练,构造正常行为字典并稀疏重构待检测轨迹,通过联合加权最小重构残差和直方图熵,实现对异常行为的有效检测。通过对比实验,表明该算法对于打斗和抢劫等异常行为具有较好的检测效果,在静态背景且无遮挡的情况下,检测率可达92%以上。     

基于深度学习的行人过街意图中人脸检测和姿态估计分析

随着计算机视觉技术的发展,在人工智能领域也开展了很多以行人为目标的研究。本文基于深度学习,对行人进行人脸检测和姿态估计,为行人过街意图的进一步研究分析打下基础。本研究利用TensorFlow-SSD进行行人目标检测,分为两部分内容。一是检测行人目标,进行姿态估计分析动作,二是检测行人脸部,用来配合姿态估计对行人运动方向进行分析。采集数据后上传至服务平台后端,其调用OpenCV读取图片,通过TensorFlow提供的api读取pb文件,传递给训练好的检测模型,然后进行人脸检测和人体姿态检测与估计。     

改进YOLOv5的油田作业现场安全着装小目标检测

针对油田作业现场监控视频中的工人安全着装小目标检测效果较差的问题, 提出了改进YOLOv5的油田场景规范化着装检测方法Cascade-YOLOv5 (C-YOLOv5). 首先搭建YOLO-people与YOLO-dress级联的小目标检测网络, 定位行人目标, 然后裁剪出行人区域并进行尺度变换, 最后对行人进行安全着...     

多尺度分形维的星载舰船显著性检测

目的 星上的舰船检测需要在资源和时间受限条件下实现快速检测,并且对目标的种类和尺寸缺少先验信息的指导,更多时候还需要实现一景图像中不同尺寸舰船的检测,因此,星上舰船检测要求检测方法具有一定的自适应性,从而实现星上多变的检测场景。方法 针对这一问题,提出了一种多尺度分形维的检测方法,可以实现一景遥感图像中不同尺寸舰船目标的检测。首先,针对差分盒算法受盒子尺寸约束的限制使分形维数的计算精度受到影响的问题提出了一种改进算法,改进算法增加了拟合直线的点对数目并引入了拟合误差剔除误差点对,提高了分形维特征计算的精确度。结果 在提高了分形维计算精度的基础上,新算法利用自然物体在不同尺度上具有的自相似性,通过多尺度分形维的计算并借鉴视觉显著性中c-s算子来排除背景对目标的干扰,突出舰船目标。实验结果表明,新算法能够有效检测出一景图像中不同尺寸的舰船,优于双参数CFAR算法的检测结果。结论 本文提出的多尺度分形维的检测算法可以实现对一景图像中不同尺寸舰船目标的检测,在保证一定检测率的同时有效降低了目标检测的虚警率。     

基于形态学Top—Hat算子的小目标检测方法

针对红外序列图象中运动弱小目标的检测问题，提出了一种基于能量累积与Ｔop-Hat算子的小目标检测方法，该方法是首先设置一定大小的滑动窗口，并通过对窗口内的图象序旬进行能量累积来去除图象中的随机噪声，以提高目标的信噪比；然后对能量累积后的图象采用形态学中的Ｔop-Hat算子完成候选小目标的检测工作；最后利用序列图象中目标运动的连续性和轨迹的一致性来筛选出真正的目标，同时进行了该方法与传统高通滤波检测方法，在抗噪声性能、背景抑制性能以及抑制虚警目标性能等方面差异的比较实验，实验结果表明，基于能量累积与Ｔop-Hat算子的小目标检测方法在这３个方面都优于高通滤波法，它能够快速、可靠检测出低信噪比的运动小目标。     

基于关键姿态的快递场景人-物交互行为识别方法

开箱验视是邮局快递场景中的一个重要环节,为了防止包裹内存在易燃易爆等危险品,快递打包前工作人员需按照行业要求实施危险品开箱验视。在人体行为识别框架中引入目标检测和关键姿态估计算法,提出了基于深度学习的快递场景人-物交互行为识别算法。首先,通过改进高斯混合(GMM, Gaussian Mixture Model)背景建模方法检测运动目标,提取行为关键帧,采用OpenPose算法进行姿态估计,识别初始行为类别;其次,针对常规行为识别方法丢失物品语义信息的问题,使用YOLOv5算法检测感兴趣物体类别和位置,提出基于拍卖算法(Auction)的多人-多物最优分配算法,构建人-物交互关系特征描述子;最后,将初始行为标签和人-物交互关系描述子进行决策融合得到最终识别结果。以实际快递场景数据对所提方法进行验证分析,实验结果表明,该方法可以对相似目标和多人干扰的复杂环境中的开箱验视行为进行准确识别。